科学基础越来越成为产业创新过程中不可或缺的一部分。例如，基因组科学已经极大地改变了制药行业的研发过程。大规模集成电路制造过程的小型化要求了解其材料的纳米级物理性质。此外，信息技术的进步对社会和经济产生了重大影响。特别是，“大数据”分析有助于科学地理解商业和管理活动(Redding and Weinstein 2016)。由于大学和公共研究机构等科学部门受到公共资金的大量补贴，人们越来越有兴趣衡量产业创新和绩效的科学方面，以了解公共研发的经济影响，尽管公共支出总体上受到严重限制。在此背景下，在最近的一篇论文中，我们提出了科学与产业联系的新指标，通过学术专利活动反映科学与产业之间的相互作用(Ikeuchi et al. 2017)。
传统上，工业的科学基础程度或“科学强度”是通过专利所引用的非专利文献来衡量的(Narin和Noma 1985, Schmoch 1997)。这一指标反映了专利(用于工业用途的技术)基于研究论文的科学内容的程度。或者，可以使用专利-发表对来捕获科学技术联系，即专利和研究论文之间关于研究产出/发明的重叠内容(Lissoni et al. 2013, Magerman et al. 2015)。
这两个指标都只反映了科学联系的一个方面——非专利文献引用显示了流入专利的无实体科学知识的程度，而专利-发表对表明了同一研究中科学和发明活动的共存。我们提出的科学-产业联系的新指标可以通过专利捕捉人力资本(学术发明家)中体现的科学和技术之间的联系，这些指标是基于作者/发明家和公司层面上结合科学(学术研究论文数据)、技术(专利数据)和产业(经济普查数据)的新数据集，以了解学术学科、技术和经济活动是如何相互联系的。
图1说明了数据集和指示器之间的关系。虽然专利的非专利文献引用是基于企业在学术领域对科学出版物的专利引用，但我们的科学-产业联系的新指标捕捉了行业和学术界在专利活动中的相互作用，即联合发明活动(通过联合专利发明捕获)和企业对学术专利的专利引用。
图1指标框架
学术界发明人专利的行业引用量和企业与学术界的联合专利发明量都反映了科学知识从学术界流向工业界的不同渠道，这与传统指标(如专利中的非专利文献引用量)所衡量的情况不同。此外，与过去关于特定技术(如生物技术(Murray 2002)和纳米技术(Meyer 2006))研究人员层面的论文专利联系的研究不同，我们的数据集通过构建一个大规模数据库覆盖了所有技术领域。
我们的新指标旨在捕捉科学知识通过学术界的专利活动参与产业创新的机制。尽管大学和公共研究机构主要提供科学出版物作为其研究成果，但来自这些机构的专利申请呈全球增长趋势(OECD, 2013年)。在日本，国立大学曾经是政府机构，在2004年变成了独立机构。这种制度改革使他们能够主张专利权，大学专利申请大幅增加(Motohashi and Muramatsu 2012)。因此，以专利为基础的科学联动指标变得越来越重要。
在日本，通过专利实现学术界与产业界的互动
根据我们的数据集，如表1所示，日本发明家中学术界的比例从2000-03年期间的3.2%上升到2008-11年期间的5.4%。拥有专利发明的学术作者的比例也从3。从2000-03年的%上升到2008-11年的4.1%。此外，在这12年间，学术作者占总发明家的比例从1.4%翻了一番，达到2.8%。
表12000-2011年活跃在日本的专利发明人和学术作者
源:作者基于Scopus和IIP专利数据库的计算结果。
图2显示了学术参与产业创新的总体趋势。从2000- 2003年到2004-7年，产业界联合申请和引用学术专利的专利比例都有所增加。在随后的时期(2008-11年)，联合申请的份额进一步增加，而引用学术专利的份额下降。此外，在工业部门，每个员工拥有发明家的数量(反映了研发强度)随着时间的推移而下降。
图2专利中的产学研关系
企业科技强度新指标
我们将科学强度定义为企业中发明者通过与学术界的联合发明和/或行业中每位员工的学术专利引用而使用的新科学知识的数量(学术论文的数量)。图3显示了日本经济总量中的科学强度，从2000-3年到2004-7年，通过增加联合发明和学术专利引用，科学强度有所增加。2004年日本国立大学合并后，学术专利申请大幅增加。此外，产学研合作活动已经推广了十多年，促进了2004年后科学强度指标的提高。
图3整体经济中以员工为基础的科学强度
(平均每百名员工所连结的学术刊物数目)
但总体科学强度从第二阶段到最后阶段呈下降趋势。随着2004年国立大学的合并，对专利申请有足够价值的大学的研究成果被集中申请专利，因此，2004-7年学术专利的专利引用暂时急剧增加。因此，在最后一个时期，适合在大学申请专利的研究成果可能已经耗尽。联合研究的减少可能是由于2008年雷曼兄弟倒闭后的经济衰退，企业节省了研发投资。
图4显示了基于员工的科学强度的行业细分。报告显示，化学和制药行业在很大程度上领先于其他行业。然而，其他行业的科学强度指标普遍增加，这意味着产业创新的“科学化”在各个行业都可以观察到。总体而言，科学强度的跨行业分布趋于均衡。
图4以员工为基础的科学强度按行业划分
(平均每百名员工所连结的学术刊物数目)
科学知识使用率
我们还从科学的角度定义了一个指标，即工业发明家通过与工业发明家的联合发明和/或工业专利对学术专利的引用，对学术研究的科学知识的利用率。图5显示了该指标的聚合趋势。在以员工为基础的科学强度中也观察到类似的趋势，从2000-03年到2004-07年，它增加了，然后在随后的时期下降。科学知识利用率的变化不仅是由工业科学知识的需求方因素引起的，而且是由科学活动的供给方因素引起的。科学知识利用率的升降趋势与以员工为基础的科学强度的升降趋势相似，但需要注意的是，任何供给侧因素的变化，如新的科学进展，都可能影响这一趋势。
图5科学知识使用率
(与工业有关的学术刊物占学术刊物总数的比例)
从学术角度看这一趋势，情况更加复杂。总的来说，如图6所示，工业利用率随着时间的推移而增加，而在2004-7至2008-11年间，一些领域(如化学、物理和天文学)的利用率急剧下降。相比之下，一些学术领域，如数学和社会科学，呈现出强劲的增长趋势。因此，从2000- 2003年到2008-11年，学术领域的URSK总体不平等有所下降。
图6科学领域对科学知识的利用率
(与工业有关的学术刊物占学术刊物总数的比例)
讨论与结论
在本专栏中，我们提出了衡量日本工业科学化的新指标，将科学论文数据库(科学)、专利信息(技术)和经济普查数据(工业)联系起来。新的指标反映了科学与产业活动之间的科学联系机制，这是现有的基于非专利文献引用的指标无法衡量的。
日本科学联系的这些新指标在过去十年呈现上升趋势。这些趋势背后的原因之一是日本学术部门的制度改革，即2004年国立大学的合并，以及20世纪90年代末以来刺激大学-产业合作的各种政策(Motohashi and Muramatsu 2012)。这些政策行动促使学术部门与涉及专利活动的工业界合作。
此外，科学投入在产业创新中日益重要也产生了影响。在我们的分析中，科学与工业的联系不仅存在于以科学为基础的行业，如制药和电子行业，而且还存在于许多其他行业。我们的研究表明，科学知识几乎成为所有行业的一般投入，这种趋势可以被称为“科学经济”，对于非科学行业也是如此。
编者注:本专栏是基于一个研究项目进行的一部分“日本式”开放创新的实证研究这是经济、贸易和工业研究所(RIETI)开展的一个项目，也是国家科学技术政策研究所(NISTEP)和RIETI联合研究项目的结果。
参考文献
Breschi, S和F Malerba(1997)，“部门创新系统:技术制度，熊彼特动力学和空间边界”，C Edquist(主编。创新、技术、制度和组织体系，伦敦:卡塞尔。
欧洲专利局(2015)，全球专利统计数据库(PATSTAT)秋季版。
Goto, A，和K Motohashi(2007)，“日本专利数据库的建设和日本专利活动的初步考察”，研究政策36(9)， 1431-1442。
Ikeuchi, K, K Motohashi, R Tamura和N Tsukada(2017)，”利用科技产业关联数据集测算产业科学强度， RIETI讨论文件系列17-E-056。
李国成、赖瑞荣、A D’amour、D M Doolin、孙杨、V I Torvik、A Z Yu、L Fleming(2014)，“美国专利发明人数据库的消歧与合作作者网络(1975-2010)”，研究政策,43(6)， 941-955。
Lissoni, F, F Montabio和L Zirulia(2013)，“发明权和作者身份作为归因权:对科学信用经济学的探究”，经济行为与组织杂志， 95, 49-69。
Looy, B V, E Zimmermann, R Veugelers, A Verbeek，和K Debackere(2003)，“当开发技术时，科学技术互动是否有回报?””,科学计量学57(3)， 355-367。
Magerman, T, B V Looy和K Debackere(2015)，“参与专利会危及一个人的学术足迹吗?生物技术专利论文对分析，研究政策， 44(9)， 1702-1713。
Mayer, K(2006)，“申请专利的科学家是更好的学者吗?纳米科学与技术领域的发明家与非发明家的探索性比较”，研究政策,35(10)， 1646-1662。
Motohashi, K, and S Muramatsu(2012)，“研究日本的大学产业合作政策:专利分析”，科技与社会， 34(2)， 149-162。
Murray, F(2002)，“创新作为科学和技术网络的共同进化:探索组织工程”，研究政策32(8-9)， 1389-1403。
Narin, F，和E Noma(1985)，“技术正在成为科学吗?””,科学计量学， 7,368 -381。
经合组织(2013),公共研究的商业化:新趋势和策略、巴黎。
帕维特，K(1984)，“创新的部门模式:走向分类和理论”，研究政策,28(6)， 643-660。
雷丁，S和D韦恩斯坦(2016)，“大数据告诉我们的真实收入增长， VoxEU.org, 10月。
Sagara, T, M Arikawa, M Sakauchi(2001)，“分布式位置参考服务”，日本信息处理学会学报，42(12)， 2928-2940。
Schmoch, U(1997)，“科学与技术的指标与关系”，科学计量学， 38(1)， 103-116。
Tamada, S, Y Naito, F Kodama, K Gemba, J Suzuki(2006)，“不同技术对科学知识依赖的显著差异”，科学计量学， 68(2)， 289-302。
Torvik, V I, M Weeber, D R Swanson，和N R Smalheiser(2005)，“Medline记录的概率相似度度量:作者名消歧模型”，美国信息科学与技术学会杂志，56(2)， 140-158。
Torvik, V I, and N R Smalheiser(2009)，“MEDLINE中的作者姓名消歧”，《ACM数据知识发现学报》，3(3)，第11条。
